Las celdas solares de perovskita (Perovskite solar cells, PSCs) ocupan un lugar importante en las tecnologías solares nuevas gracias a su alto rendimiento. Para abordar las deficiencias del método tradicional de prueba y error en la mejora de la eficiencia de conversión de potencia (Power conversion efficiency, PCE) de las PSCs, caracterizado por largos ciclos de investigación y baja eficiencia, se propuso un método inteligente de optimización del proceso de fabricación de PSCs basado en el aprendizaje automático (Machine learning, ML). Aplicando múltiples algoritmos de ML para construir un modelo de predicción de la PCE, finalmente se seleccionó el modelo de aumento de gradiente (Gradient boosting, GB) con alto rendimiento para realizar un análisis visual con explicaciones aditivas de Shapley (Shapley additive explanations, SHAP) y una verificación experimental. Los resultados experimentales mostraron que el experimento guiado por la salida del modelo logró una PCE en las PSCs del 21.81%. Este trabajo no solo resuelve eficazmente las limitaciones del método tradicional de prueba y error, sino que también supera el problema de baja precisión en la predicción del ML en el campo de las PSCs, proporcionando una nueva perspectiva y base científica para el desarrollo rápido de PSCs con alta PCE, además de servir como referencia para el desarrollo de otras tecnologías solares nuevas.

Celdas solares de perovskita; Aprendizaje automático; Análisis SHAP (Shapley additive explanations); Predicción de eficiencia de conversión de potencia